WinUI（WASDK）使用ChatGPT和攝像頭手勢識別結合TTS讓機器人更智能

来源:https://www.cnblogs.com/GreenShade/archive/2023/03/11/17201961.html
-Advertisement-
Play Games

前言 之前寫過一篇基於ML.NET的手部關鍵點分類的博客，可以根據圖片進行手部的提取分類，於是我就將手勢分類和攝像頭數據結合，集成到了我開發的電子腦殼軟體里。 電子腦殼是一個為稚暉君開源的桌面機器人ElectronBot提供一些軟體功能的桌面程式項目。它是由綠蔭阿廣也就是我開發的，使用了微軟的WAS ...


前言

之前寫過一篇基於ML.NET的手部關鍵點分類的博客，可以根據圖片進行手部的提取分類，於是我就將手勢分類和攝像頭數據結合，集成到了我開發的電子腦殼軟體里。

電子腦殼是一個為稚暉君開源的桌面機器人ElectronBot提供一些軟體功能的桌面程式項目。它是由綠蔭阿廣也就是我開發的，使用了微軟的WASDK框架。

電子腦殼算是本人學習WinUI開發的練習項目了，通過根據一些開源的項目的學習，將一些功能進行整合，比如手勢識別觸發語音轉文本，然後接入ChatGPT結合文本轉語音的方式，實現機器人的對話。

此博客算是實戰記錄了，替大家先踩坑。

下圖鏈接為機器人的演示視頻，通過對話，讓ChatGPT給我講了一個駱駝祥子的故事，只不過這個故事有點離譜，本來前部分還正常，後面就開始瞎編了，比如祥子有了一頭驢，最後還成為了商人。

大家觀看覺得不錯的話給點個贊。

B站視頻演示鏈接

具體的實現方案

1. 方案思路敘述

整體的流程如下圖，圖畫的不一定標準，但是大體如圖所示：
識別流程圖

  • 處理攝像頭幀事件，通過將攝像頭的幀數據處理進行手勢的匹配。
  • 手勢識別結果處理方法調用語音轉文本邏輯。
  • 轉的文本通過調用ChatGPT API實現智能回覆。
  • 將回覆結果文本通過TTS播放到機器人上的揚聲器，完成一次對話。

2. 所用技術說明

代碼講解

1. 項目介紹

電子腦殼項目本身是一個標準的MVVM的WinUI項目，使用微軟的輕量級DI容器管理對象的生命周期，MVVM使用的是社區工具包提供的框架，支持代碼生成，簡化VM的代碼。

project

2. 核心代碼講解

  • 實時視頻流解析手勢，通過命名空間Windows.Media.Capture下的MediaCapture類和Windows.Media.Capture.Frames命名空間下的MediaFrameReader類，創建對象並註冊幀處理事件，在幀處理事件中處理視頻畫面並傳出到手勢識別服務里進行手勢識別，主要代碼如下。

    //幀處理結果訂閱
private void Current_SoftwareBitmapFrameCaptured(object? sender, SoftwareBitmapEventArgs e)
{
    if (e.SoftwareBitmap is not null)
    {

        if (e.SoftwareBitmap.BitmapPixelFormat != BitmapPixelFormat.Bgra8 ||
              e.SoftwareBitmap.BitmapAlphaMode == BitmapAlphaMode.Straight)
        {
            e.SoftwareBitmap = SoftwareBitmap.Convert(
                e.SoftwareBitmap, BitmapPixelFormat.Bgra8, BitmapAlphaMode.Premultiplied);
        }
        //手勢識別服務獲取
        var service = App.GetService<GestureClassificationService>();
        //調用手勢分析代碼
        _ = service.HandPredictResultUnUseQueueAsync(calculator, modelPath, e.SoftwareBitmap);
    }
}

    涉及到的代碼如下：

    MainViewModel

    CameraFrameService

  • 語音轉文本的實現，WinUI（WASDK）繼承了UWP的現代化的UI，也可以很好的使用WinRT的API進行操作。主要涉及的對象為命名空間Windows.Media.SpeechRecognition下的SpeechRecognizer對象。

    官網文檔地址語音交互 定義自定義識別約束

    以下是語音轉文本的部分代碼 詳細代碼點擊文字

    //創建識別為網路搜索
var webSearchGrammar = new SpeechRecognitionTopicConstraint(SpeechRecognitionScenario.WebSearch, "webSearch", "sound");
        //webSearchGrammar.Probability = SpeechRecognitionConstraintProbability.Min;
        speechRecognizer.Constraints.Add(webSearchGrammar);
        SpeechRecognitionCompilationResult result = await speechRecognizer.CompileConstraintsAsync();

        if (result.Status != SpeechRecognitionResultStatus.Success)
        {
            // Disable the recognition buttons.
        }
        else
        {
            // Handle continuous recognition events. Completed fires when various error states occur. ResultGenerated fires when
            // some recognized phrases occur, or the garbage rule is hit.
            //註冊指定的事件
            speechRecognizer.ContinuousRecognitionSession.Completed += ContinuousRecognitionSession_Completed;
            speechRecognizer.ContinuousRecognitionSession.ResultGenerated += ContinuousRecognitionSession_ResultGenerated;
        }

  • 語音轉文本之後調用ChatGPT API進行對話回覆獲取，使用ChatGPTSharp封裝庫實現。

    代碼如下：

    private async void ContinuousRecognitionSession_ResultGenerated(SpeechContinuousRecognitionSession sender, SpeechContinuousRecognitionResultGeneratedEventArgs args)
{
    // The garbage rule will not have a tag associated with it, the other rules will return a string matching the tag provided
    // when generating the grammar.
    var tag = "unknown";

    if (args.Result.Constraint != null && isListening)
    {
        tag = args.Result.Constraint.Tag;

        App.MainWindow.DispatcherQueue.TryEnqueue(() =>
        {
            ToastHelper.SendToast(tag, TimeSpan.FromSeconds(3));
        });


        Debug.WriteLine($"識別內容---{tag}");
    }

    // Developers may decide to use per-phrase confidence levels in order to tune the behavior of their 
    // grammar based on testing.
    if (args.Result.Confidence == SpeechRecognitionConfidence.Medium ||
        args.Result.Confidence == SpeechRecognitionConfidence.High)
    {
        var result = string.Format("Heard: '{0}', (Tag: '{1}', Confidence: {2})", args.Result.Text, tag, args.Result.Confidence.ToString());


        App.MainWindow.DispatcherQueue.TryEnqueue(() =>
        {
            ToastHelper.SendToast(result, TimeSpan.FromSeconds(3));
        });


        if (args.Result.Text.ToUpper() == "打開B站")
        {
            await Launcher.LaunchUriAsync(new Uri(@"https://www.bilibili.com/"));
        }
        else if (args.Result.Text.ToUpper() == "撒個嬌")
        {
            ElectronBotHelper.Instance.ToPlayEmojisRandom();
        }
        else
        {
            try
            {
                // 根據機器人客戶端工廠創建指定類型的處理程式 可以支持多種聊天API
                var chatBotClientFactory = App.GetService<IChatbotClientFactory>();

                var chatBotClientName = (await App.GetService<ILocalSettingsService>()
                     .ReadSettingAsync<ComboxItemModel>(Constants.DefaultChatBotNameKey))?.DataKey;

                if (string.IsNullOrEmpty(chatBotClientName))
                {
                    throw new Exception("未配置語音提供程式機密數據");
                }

                var chatBotClient = chatBotClientFactory.CreateChatbotClient(chatBotClientName);
                //調用指定的實現獲取聊天返回結果
                var resultText = await chatBotClient.AskQuestionResultAsync(args.Result.Text);

                //isListening = false;
                await ReleaseRecognizerAsync();
                //調用文本轉語音併進行播放方法
                await ElectronBotHelper.Instance.MediaPlayerPlaySoundByTTSAsync(resultText, false);      
            }
            catch (Exception ex)
            {
                App.MainWindow.DispatcherQueue.TryEnqueue(() =>
                {
                    ToastHelper.SendToast(ex.Message, TimeSpan.FromSeconds(3));
                });

            }
        }
    }
    else
    {
    }
}

  • 結果文本轉語音併進行播放，通過Windows.Media.SpeechSynthesis命名空間下的SpeechSynthesizer類，使用下麵的代碼可以將文本轉化成Stream。

      using SpeechSynthesizer synthesizer = new();
            // Create a stream from the text. This will be played using a media element.

            //將文本轉化為Stream
            var synthesisStream = await synthesizer.SynthesizeTextToStreamAsync(text);

    然後使用MediaPlayer對象進行語音的播報。

    
 /// <summary>
/// 播放聲音
/// </summary>
/// <param name="content"></param>
/// <returns></returns>
public async Task MediaPlayerPlaySoundByTTSAsync(string content, bool isOpenMediaEnded = true)
{
    _isOpenMediaEnded = isOpenMediaEnded;
    if (!string.IsNullOrWhiteSpace(content))
    {
        try
        {
            var localSettingsService = App.GetService<ILocalSettingsService>();

            var audioModel = await localSettingsService
                .ReadSettingAsync<ComboxItemModel>(Constants.DefaultAudioNameKey);

            var audioDevs = await EbHelper.FindAudioDeviceListAsync();

            if (audioModel != null)
            {
                var audioSelect = audioDevs.FirstOrDefault(c => c.DataValue == audioModel.DataValue) ?? new ComboxItemModel();

                var selectedDevice = (DeviceInformation)audioSelect.Tag!;

                if (selectedDevice != null)
                {
                    mediaPlayer.AudioDevice = selectedDevice;
                }
            }
            //獲取TTS服務實例
            var speechAndTTSService = App.GetService<ISpeechAndTTSService>();
            //轉化文本到Stream
            var stream = await speechAndTTSService.TextToSpeechAsync(content);
            //播放stream
            mediaPlayer.SetStreamSource(stream);
            mediaPlayer.Play();
            isTTS = true;
        }
        catch (Exception)
        {
        }
    }
}

    至此一次完整的識別對話流程就結束了，軟體的界面如下圖，感興趣的同學可以點擊圖片查看項目源碼地址查看其他的功能：

    電子腦殼源碼鏈接

個人感悟

個人覺得DotNET的生態還是差了些，尤其是ML.NET的輪子還是太少了，畢竟參與的人少，而且知識遷移也需要成本，熟悉其他機器學習框架的人可能不懂DotNET。

所以作為社區的一員，我覺得我們需要走出去，然後再回來，走出去就是先學習其他的機器學習框架，然後回來用DotNET進行應用，這樣輪子多了，社區就會越來越繁榮。

我也能多多的複製粘貼大家的代碼了。

參考推薦文檔項目如下：


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 如何通過C++ 將數據寫入 Excel 工作表
    直觀的界面、出色的計算功能和圖表工具，使Excel成為最流行的個人電腦數據處理軟體。在獨立的數據包含的信息量太少，而過多的數據又難以理清頭緒時，製作成表格是數據管理的最有效手段之一。這樣不僅可以方便整理數據，還可以方便我們查找和應用數據。後期我們還可以對具有相似表格框架，相同性質的數據進行合併彙總... ...
  • 快 40 歲，剛被裁。。
    作者：張飛洪 來源：www.cnblogs.com/jackyfei/p/13862607.html 離職的心態 人們在辭退或者被辭退都會對原公司抱有意見，因為疫情，公司業務告急，工資發不出來，我也失去了工作。雖然情緒上難免會有波動，但是轉念一想，我應該用開心的心態來看待這次辭職，並希望能快速翻過這 ...
  • 【機器學習】1. 廣義線性模型
    1. 廣義線性模型 1.1 從簡單線性回歸開始 機器學習的任務是從已知的數據中提取知識, 從而完成對新數據的識別與預測, 即應用知識. 但是, 數據本身不會給予研究者想要的答案, 大多數時候人們很難通過觀察或者簡單的計算提取有用的結論. 為了從歷史數據中整合知識, 人們提出了"模型"這一概念, 認為 ...
  • Python gdal讀取MODIS遙感影像並結合質量控制QC波段掩膜數據
    本文介紹基於Python中GDAL模塊，實現MODIS遙感影像數據的讀取、計算，並基於質量控制QC波段進行圖像掩膜的方法~ ...
  • AI智能問答助手 AI智能批量文章生成器 網站優化SEO批量內容生成工具 原創文章生成軟體
    簡介 編程是一門藝術，就像繪畫和音樂一樣，需要創造力和想象力。編程的藝術在於它可以創造出獨特的、精美的、功能強大的程式。 在編程中，結構是一種重要的美學概念。好的結構可以使程式更加清晰、易於理解和維護。結構設計是通過分解問題和組織代碼來創造良好的程式結構的過程。 良好的程式結構需要滿足以下幾個方面： ...
  • 在java中String類為什麼要設計成final？Java面試常見問題
    2023Java面試題最經典的問題之一了，非常經典的Java基礎知識，一定要學會！ 在Java中，String類被設計成final，這意味著它的值在創建後不可更改。這是因為字元串在Java中使用廣泛，作為文本處理、網路通信等方面的核心數據類型。如果String類是可變的，那麼在使用時可能會出現安全問 ...
  • 30天幫你一步步學會Python的開源項目
    最近發現一個不錯的免費開源學習項目：30天學會Python 如果您最近有學習Python的打算，不妨看看這個是否適合你？ 項目地址：https://github.com/Asabeneh/30-Days-Of-Python 博客地址：https://blog.didispace.com/tj-30- ...
  • 最新版 IDEA 2022.3.2 中配置熱載入工具 DevTools
    最新版 IDEA 2022.3.2 中配置熱載入工具 DevTools 在SpringBoot開發調試中，如果我每行代碼的修改都需要重啟再調試，可能比較費時間；SpringBoot團隊針對此問題提供了spring-boot-devtools（簡稱devtools）插件，用此插件提升開發調試的效率。 ...
一周排行
    -Advertisement-
    Play Games
  • WPF中輕鬆生成動態圖表：實例詳解(MVVM模式)
    概述：本文代碼示例演示瞭如何在WPF中使用LiveCharts庫創建動態條形圖。通過創建數據模型、ViewModel和在XAML中使用`CartesianChart`控制項，你可以輕鬆實現圖表的數據綁定和動態更新。我將通過清晰的步驟指南包括詳細的中文註釋，幫助你快速理解並應用這一功能。 先上效果： 在 ...
  • .NET 中使用 GaussDB C# ORM
    openGauss(GaussDB ) openGauss是一款全面友好開放，攜手伙伴共同打造的企業級開源關係型資料庫。openGauss採用木蘭寬鬆許可證v2發行，提供面向多核架構的極致性能、全鏈路的業務、數據安全、基於AI的調優和高效運維的能力。openGauss深度融合華為在資料庫領域多年的研 ...
  • .NET中使用 openGauss C# ORM
    openGauss(GaussDB ) openGauss是一款全面友好開放，攜手伙伴共同打造的企業級開源關係型資料庫。openGauss採用木蘭寬鬆許可證v2發行，提供面向多核架構的極致性能、全鏈路的業務、數據安全、基於AI的調優和高效運維的能力。openGauss深度融合華為在資料庫領域多年的研 ...
  • 輕鬆使用Aspire rabbitmq framework
    概述：本示例演示了在WPF應用程式中實現多語言支持的詳細步驟。通過資源字典和數據綁定，以及使用語言管理器類，應用程式能夠在運行時動態切換語言。這種方法使得多語言支持更加靈活，便於維護，同時提供清晰的代碼結構。 在WPF中實現多語言的一種常見方法是使用資源字典和數據綁定。以下是一個詳細的步驟和示例源代 ...
  • .net事件
    描述（做一個簡單的記錄）： 事件（event）的本質是一個委托；（聲明一個事件： public event TestDelegate eventTest;） 委托（delegate）可以理解為一個符合某種簽名的方法類型；比如：TestDelegate委托的返回數據類型為string，參數為 int和 ...
  • .NET CORE 完美支持AOT 的 ORM SqlSugar 教程
    1、AOT適合場景 Aot適合工具類型的項目使用，優點禁止反編 ，第一次啟動快，業務型項目或者反射多的項目不適合用AOT AOT更新記錄: 實實在在經過實踐的AOT ORM 5.1.4.117 +支持AOT 5.1.4.123 +支持CodeFirst和非同步方法 5.1.4.129-preview1 ...
  • 【UWP】修改清單脫離沙盒運行
    總說周知，UWP 是運行在沙盒裡面的，所有許可權都有嚴格限制，和沙盒外交互也需要特殊的通道，所以從根本杜絕了 UWP 毒瘤的存在。但是實際上 UWP 只是一個應用模型，本身是沒有什麼許可權管理的，許可權管理全靠 App Container 沙盒控制，如果我們脫離了這個沙盒，UWP 就會放飛自我了。那麼有沒... ...
  • 《Effective C++》第三版-4. 設計與聲明（Design and Declarations）
    目錄條款17：讓介面容易被正確使用，不易被誤用（Make interfaces easy to use correctly and hard to use incorrectly）限制類型和值規定能做和不能做的事提供行為一致的介面條款19：設計class猶如設計type（Treat class de ...
  • 從零開始：Django項目的創建與配置指南
    title: 從零開始：Django項目的創建與配置指南 date: 2024/5/2 18:29:33 updated: 2024/5/2 18:29:33 categories: 後端開發 tags: Django WebDev Python ORM Security Deployment Op ...
  • mORMot 1.18 第18章 使用REST/JSON的客戶端/伺服器
    1、BOM對象 BOM:Broswer object model,即瀏覽器提供我們開發者在javascript用於操作瀏覽器的對象。 1.1、window對象 視窗方法 // BOM Browser object model 瀏覽器對象模型 // js中最大的一個對象.整個瀏覽器視窗出現的所有東西都 ...
所有分類